今天，2025世界人工智能大会暨人工智能全球治理高级别会议开幕。在上午的主旨演讲中，77岁的“深度学习之父”、图灵奖得主、2024年诺贝尔物理学奖获得者Geoffrey Hinton讨论了人工智能的历史、语言模型的本质以及人类与AI的共通结构。他还特别提到Deepseek，但认为这种方式效率很低。
辛顿回顾了过去60年人工智能发展的两条主流路径：一是以推理为核心的“逻辑主义”，另一是以模拟人类认知为基础的“连接主义”。他认为，语言理解更接近后者，不是符号演绎，而是从模糊中提取出概念之间的关联。他回忆起1985年开发的一个早期小型模型，认为如今的大语言模型本质上是“它的后代”。尽管现在的模型拥有更深的网络结构和更庞大的参数规模，但核心机制并未改变。“语言模型的理解方式，和人类理解语言的方式是一样的。”
辛顿强调，大模型一旦具备比人类更强的智能，仅靠“关掉它”并不能解决问题。他说，有人觉得它们变得聪明后就可以把它们关掉，这是不现实的。它们会劝说操控机器的人不要关掉它们。人类的处境更像是在“养一只老虎当宠物”，要么训练它永远不攻击你，要么把它干掉。
辛顿建议，全球主要国家或AI大国应建立一个由AI安全机构组成的国际社群，研究如何训练高智能AI向善。各国可在自身主权范围内研究，再分享成果。尽管目前还不知道具体怎么做，但这是人类长期面临的最重要问题，且所有国家都能在此领域合作。
辛顿长期致力于神经网络、机器学习、分类监督学习、机器学习理论、细胞神经网络、信息系统应用、马尔可夫决策过程、神经网络、认知科学等方面的研究。2023年，辛顿从谷歌辞职，称生成式人工智能系统的商业应用构成了多重严重威胁，他警告说，从长远来看，自主人工智能系统可能会对人类构成严重威胁。
在演讲中，辛顿分享了他对AI历史及未来的个人观点。在过去60多年里，AI发展存在两种不同的范式和路径。一种是逻辑性范式，认为智能的本质在于推理，通过符号规则对符号表达式进行操作来实现推理；另一种是以生物为基础的范式，认为智能的基础是学习，是理解网络中的连接速度。1985年，辛顿做了一个小型模型，尝试结合这两种理论，以此理解人们对词语的理解方式。他认为，如今的大语言模型就是当年微型语言模型的“后代”，它们使用更多词作为输入，采用更多层的神经元结构，处理大量模糊数字，学习特征之间也建立了更复杂的交互模式。大语言模型理解语言的方式与人类相似——将语言转化为特征，再整合这些特征。
辛顿用乐高积木来比喻“理解一句话”的含义。符号型AI将内容转化为清晰的符号，但人类并非如此理解。如果把每个词看作多维度的乐高积木，语言就成了一种建模工具，能随时与人沟通。不过，词和乐高积木有很多不同：词的符号形态可根据情况调整，而乐高积木造型固定；语言中每个词仿佛有多个“手臂”，要通过合适的“握手”方式与其他词互动，词的意思改变，“握手”方式也会改变。这就是人脑或神经网络理解语义的根本逻辑，类似蛋白质通过氨基酸的不同组合形成有意义的结构。
辛顿认为，软件中的知识是永恒的，即便存储LLM的硬件被摧毁，只要软件存在，就能随时“复活”。但要实现这种“永生”，晶体管需在高功率下运行以产生可靠的二进制行为，这个过程成本很高。人脑也是模拟型而非数字型的，神经元每次激发的过程都一样，但每个人的神经元连接方式不同，无法将自己的神经结构转移到他人脑中，导致知识在人脑间的传播效率远低于在硬件中的传播。
Deepseek的做法是将大神经网络的知识转移到小神经网络中，即“蒸馏”，类似教师与学生的关系。但这种方式效率很低，一句话通常只有100个比特的信息，即便全被理解，每秒最多也只能传递约100个比特。而数字智能间的知识转移效率极高，同一神经网络软件的多个拷贝在不同硬件上运行时，能通过平均化比特的方式分享知识。如果智能体在现实世界中运行，这种优势更明显——它们能不断加速、拷贝，多个智能体比单个智能体学得更多，还能分享权重，这是模拟硬件或软件做不到的。
生物计算功耗低，但知识分享难。如果能源和计算成本低廉，情况会好很多，但也令人担忧——几乎所有专家都认为，我们会创造出比人类更智能的AI。人类习惯了作为最智能的生物，很难想象AI超越人类的场景。其实可以换个角度：就像养鸡场的鸡无法理解人类一样，我们创造的AI智能体已能帮我们完成任务，它们能拷贝自身、评估子目标，还会为了生存和完成目标而寻求更多控制权。
辛顿表示，面对AI，我们只有两个选择：要么训练它永远不伤害人类，要么“消灭”它。但AI在医疗、教育、气候变化、新材料等领域作用巨大，能提升所有行业的效率，我们无法消除它——即便一个国家放弃AI，其他国家也不会。因此，若想让人类生存，必须找到训练AI不伤害人类的方法。他提议，全球主要国家或AI大国应建立一个由AI安全机构组成的国际社群，研究如何训练高智能AI向善。各国可在自身主权范围内研究，再分享成果。
